На AI Engineer World’s Fair попытались сформулировать главные тренды AI engineering 2026 года. Но почти все они складываются в одну историю: самое интересное теперь происходит не внутри модели, а вокруг неё.
Несколько лет назад основное внимание было приковано к устройству самого агента: модели добавляли память, планирование и инструменты. Теперь же модель становится заменяемой частью более крупной системы. При этом, разработка передовых моделей дорожает и концентрируется у нескольких компаний, а остальные строят продукты поверх их API или открытых весов.
Само по себе это не новость. Но модели стали достаточно универсальными и доступными, чтобы конкуренция всё заметнее смещалась в данные, контекст, интеграции, проверки и организацию работы агента. Если примерно одинаковый интеллект могут подключить многие, отличия приходится создавать вокруг него.
Есть и обратная сторона. Производители моделей поднимаются вверх по стеку: то, что сегодня составляет отдельный продукт — поиск, память, выполнение кода или оркестрация, — завтра может стать стандартной функцией платформы.
Тогда поставщик не просто меняет цены, лимиты и поведение модели, а слой за слоем съедает надстройку. Получается, конкурировать иногда приходится не только с другими продуктами, но и с собственной платформой.
Всю систему вокруг модели теперь называют agent harness. Она определяет, какой контекст получает агент, что помнит между запусками, какие действия ему разрешены и как проверяется результат. А заодно не даёт ему забыть задачу, потратить бесконечное количество токенов и отчитаться об успехе после неудачи.
Отсюда растёт интерес и к loop engineering. Агент получает задачу, делает попытку, запускает проверки, исправляет ошибки и повторяет цикл. Человек уже не управляет каждым шагом, а проектирует контур работы.
Похожий сдвиг происходит и в программировании. Единицей взаимодействия становится не строка кода, а задача целиком: изучить репозиторий, найти ошибку, внести изменения и прогнать тесты. Код всё чаще превращается в промежуточный артефакт между постановкой задачи и проверкой результата.
Следующий слой — skills: инструкции, скрипты и шаблоны, которые агент подгружает под конкретную работу. Процедурные знания компании начинают отделяться и от сотрудников, и от самой модели.
В итоге рынок понемногу делится на тех, кто производит интеллект, и тех, кто пытается заставить его надёжно работать. Вторая задача заметно дешевле первой. Но, как выясняется, не сильно проще.
Несколько лет назад основное внимание было приковано к устройству самого агента: модели добавляли память, планирование и инструменты. Теперь же модель становится заменяемой частью более крупной системы. При этом, разработка передовых моделей дорожает и концентрируется у нескольких компаний, а остальные строят продукты поверх их API или открытых весов.
Само по себе это не новость. Но модели стали достаточно универсальными и доступными, чтобы конкуренция всё заметнее смещалась в данные, контекст, интеграции, проверки и организацию работы агента. Если примерно одинаковый интеллект могут подключить многие, отличия приходится создавать вокруг него.
Есть и обратная сторона. Производители моделей поднимаются вверх по стеку: то, что сегодня составляет отдельный продукт — поиск, память, выполнение кода или оркестрация, — завтра может стать стандартной функцией платформы.
Тогда поставщик не просто меняет цены, лимиты и поведение модели, а слой за слоем съедает надстройку. Получается, конкурировать иногда приходится не только с другими продуктами, но и с собственной платформой.
Всю систему вокруг модели теперь называют agent harness. Она определяет, какой контекст получает агент, что помнит между запусками, какие действия ему разрешены и как проверяется результат. А заодно не даёт ему забыть задачу, потратить бесконечное количество токенов и отчитаться об успехе после неудачи.
Отсюда растёт интерес и к loop engineering. Агент получает задачу, делает попытку, запускает проверки, исправляет ошибки и повторяет цикл. Человек уже не управляет каждым шагом, а проектирует контур работы.
Похожий сдвиг происходит и в программировании. Единицей взаимодействия становится не строка кода, а задача целиком: изучить репозиторий, найти ошибку, внести изменения и прогнать тесты. Код всё чаще превращается в промежуточный артефакт между постановкой задачи и проверкой результата.
Следующий слой — skills: инструкции, скрипты и шаблоны, которые агент подгружает под конкретную работу. Процедурные знания компании начинают отделяться и от сотрудников, и от самой модели.
В итоге рынок понемногу делится на тех, кто производит интеллект, и тех, кто пытается заставить его надёжно работать. Вторая задача заметно дешевле первой. Но, как выясняется, не сильно проще.